一種基于多特征融合的車牌漢字識別方法
【技術領域】
[0001] 本發(fā)明涉及圖像處理技術領域，具體是一種基于多特征融合的車牌漢字識別方 法。
【背景技術】
[0002] 車牌字符識別是車牌識別系統(tǒng)的最后一步，也是至關重要的一步，它直接影響著 整個系統(tǒng)的識別準確率和效率。對于車牌字母數(shù)字部分的識別，國內(nèi)外已有很多成熟的方 法，可以達到很高的準確率。而對于車牌的漢字部分，由于實際環(huán)境中采集的車牌圖像，漢 字部分往往具有結(jié)構(gòu)復雜、筆劃繁多、分辨率較低、筆劃斷裂、部分變淺或缺失、邊緣模糊、 字符傾斜等特點，使得漢字識別變得很困難，基于現(xiàn)有的字母數(shù)字識別方法，無法達到滿意 的準確率。因此，準確識別車牌漢字字符，成為國內(nèi)車牌識別系統(tǒng)的難點。
[0003] 車牌漢字識別通常采用三種識別方法，分別是基于模板匹配的方法、基于神經(jīng)網(wǎng) 絡的方法、基于支持向量機（SVM)的方法。依據(jù)模式識別理論可知，影響識別準確率的最大 因素，不是選擇的哪種分類方法，而是選擇的目標特征，只要漢字字符特征選擇的合適，上 述三種方法均能達到不錯的分類效果。因此，如何選擇漢字字符特征，成為決定車牌漢字識 別成敗的關鍵。
[0004] 目前，常用的車牌漢字特征主要有以下幾類：
[0005] (1)全局特征，該類特征采用全局變換來獲取字符的整體特征，使用有序的整體特 征或者子集特征來構(gòu)成特征向量，常見的特征有GABOR變換特征、矩特征、投影特征、筆劃 密度特征、HARR特征、HOG特征等。這些特征的優(yōu)點是對局部變化不敏感，抗干擾能力強； 其缺點是容易忽略某些重要的局部特征，無法區(qū)分相似的字符。
[0006] (2)局部特征，該類特征采用在字符的多個局部區(qū)域內(nèi)，計算相應的特征，使用串 聯(lián)的有序局部特征構(gòu)成最終的特征向量，主要包括局部灰度特征、LBP特征、穿線特征、SIFT 特征等。該類特征的優(yōu)點是區(qū)分字符的能力強；其缺點是抗干擾能力弱，運算相對較慢。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于針對使用全局特征或局部特征識別漢字的缺點，提供一種基于 多特征融合的車牌漢字識別方法，通過融合多種特征，可以更加精確地識別漢字，同時對于 字符的圖像質(zhì)量要求更低。
[0008] 本發(fā)明的技術方案為：
[0009] 一種基于多特征融合的車牌漢字識別方法，包括以下步驟：
[0010] (1)對收集的若干訓練圖像進行預處理，得到若干訓練樣本；
[0011] ⑵分別獲取訓練樣本的漢字邊緣特征向量、漢字灰度特征向量、漢字紋理特征向 量；
[0012] (3)串聯(lián)訓練樣本的漢字邊緣特征向量、漢字灰度特征向量、漢字紋理特征向量， 形成訓練樣本的漢字融合特征向量；
[0013] (4)將所有訓練樣本的漢字融合特征向量輸入SVM分類器，完成對SVM分類器的訓 練；
[0014] (5)對待測車牌漢字圖像進行預處理，得到測試樣本；
[0015] (6)分別獲取測試樣本的漢字邊緣特征向量、漢字灰度特征向量、漢字紋理特征向 量；
[0016] (7)串聯(lián)測試樣本的漢字邊緣特征向量、漢字灰度特征向量、漢字紋理特征向量， 形成測試樣本的漢字融合特征向量；
[0017] (8)將測試樣本的漢字融合特征向量輸入訓練完成的SVM分類器，識別得到待測 車牌漢字圖像中的漢字。
[0018] 所述的基于多特征融合的車牌漢字識別方法，步驟（2)中，獲取訓練樣本的漢字 邊緣特征向量，具體包括以下步驟：
[0019] (21)利用以下公式，計算訓練樣本全圖每一個像素的梯度幅值和方向角度：
【主權項】
1. 一種基于多特征融合的車牌漢字識別方法，其特征在于，包括以下步驟： (1) 對收集的若干訓練圖像進行預處理，得到若干訓練樣本； (2) 分別獲取訓練樣本的漢字邊緣特征向量、漢字灰度特征向量、漢字紋理特征向量； (3) 串聯(lián)訓練樣本的漢字邊緣特征向量、漢字灰度特征向量、漢字紋理特征向量，形成 訓練樣本的漢字融合特征向量； (4) 將所有訓練樣本的漢字融合特征向量輸入SVM分類器，完成對SVM分類器的訓練； (5) 對待測車牌漢字圖像進行預處理，得到測試樣本； (6) 分別獲取測試樣本的漢字邊緣特征向量、漢字灰度特征向量、漢字紋理特征向量； (7) 串聯(lián)測試樣本的漢字邊緣特征向量、漢字灰度特征向量、漢字紋理特征向量，形成 測試樣本的漢字融合特征向量； (8) 將測試樣本的漢字融合特征向量輸入訓練完成的SVM分類器，識別得到待測車牌 漢字圖像中的漢字。
2. 根據(jù)權利要求1所述的基于多特征融合的車牌漢字識別方法，其特征在于，步驟（2) 中，獲取訓練樣本的漢字邊緣特征向量，具體包括以下步驟： (21) 利用以下公式，計算訓練樣本全圖每一個像素的梯度幅值和方向角度：
其中，M(x，y)表示像素（x，y)的梯度幅值，a(x，y)表示像素（x，y)的方向角度，g(x，y)表示像素（x，y)的灰度值； (22) 利用以下公式，對步驟（21)計算出的方向角度進行校正：
其中，a' (x，y)表示校正后的方向角度； (23) 基于像素的方向角度，統(tǒng)計每個晶胞的4維梯度方向直方圖，每個晶胞由若干像 素構(gòu)成； (24) 將4個晶胞的梯度方向直方圖串聯(lián)起來，構(gòu)成一個區(qū)塊的梯度方向直方圖； (25) 將所有區(qū)塊的梯度方向直方圖歸一化后串聯(lián)起來，形成訓練樣本的漢字邊緣特征 向量。
3. 根據(jù)權利要求1所述的基于多特征融合的車牌漢字識別方法，其特征在于，步驟（2) 中，獲取訓練樣本的漢字灰度特征向量，具體包括以下步驟： (31)借助HARR特征模板，分別將訓練樣本按照五種方式進行劃分，即分別將訓練樣 本劃分為左右兩個局部區(qū)域、上下兩個局部區(qū)域、左中右三個局部區(qū)域、上中下三個局部區(qū) 域、左上、左下、右上、右下四個局部區(qū)域，得到14個局部區(qū)域子圖； (32) 利用最大類間距算法，獲取訓練樣本的二值圖像； (33) 基于訓練樣本的二值圖像，統(tǒng)計得到全圖前景目標點所占的比例； (34) 基于訓練樣本的二值圖像，分別統(tǒng)計得到14個局部區(qū)域子圖前景目標點所占的 比例； (35) 將得到的各個比例值串聯(lián)起來，形成訓練樣本的漢字灰度特征向量。
4.根據(jù)權利要求1所述的基于多特征融合的車牌漢字識別方法，其特征在于，步驟（2) 中，獲取訓練樣本的漢字紋理特征向量，具體包括以下步驟： (41) 借助HARR特征模板，分別將訓練樣本按照五種方式進行劃分，即分別將訓練樣 本劃分為左右兩個局部區(qū)域、上下兩個局部區(qū)域、左中右三個局部區(qū)域、上中下三個局部區(qū) 域、左上、左下、右上、右下四個局部區(qū)域，得到14個局部區(qū)域子圖； (42) 利用以下公式，對訓練樣本進行LBP特征變換，得到訓練樣本的LBP特征圖：
其中，LBPp,,(x。，y。）表示當前像素（x。，y。）的LBP變換特征，g(x。，y。）表示當前像素 (x。，y。）的灰度值，g(xn，yn)表示鄰域像素（xn，yn)的灰度值，p表示鄰域像素的數(shù)目，r表 示鄰域半徑； (43) 基于訓練樣本的LBP特征圖，統(tǒng)計得到全圖的9維灰度直方圖； (44) 基于訓練樣本的LBP特征圖，分別統(tǒng)計得到14個局部區(qū)域子圖的9維灰度直方 圖； (45) 將得到的各個9維灰度直方圖串聯(lián)起來，形成訓練樣本的漢字紋理特征向量。
【專利摘要】本發(fā)明提供一種基于多特征融合的車牌漢字識別方法，包括以下步驟：待測圖像歸一化；改進HOG特征，獲取待測圖像的漢字邊緣特征；獲取待測圖像的漢字灰度特征；基于LBP特征理論，獲取待測圖像的漢字紋理特征；融合待測圖像的漢字邊緣特征、灰度特征、紋理特征，獲取待測圖像的融合特征向量；基于SVM分類器，預測分類結(jié)果。本發(fā)明綜合利用了漢字的全局特征和局部特征，識別更加準確，對于低質(zhì)量圖像和強干擾圖像，具有較強的魯棒性。
【IPC分類】G06K9-62, G08G1-017
【公開號】CN104573707
【申請?zhí)枴緾N201410788657
【發(fā)明人】張卡, 何佳, 聶勇, 鄭浩
【申請人】安徽清新互聯(lián)信息科技有限公司
【公開日】2015年4月29日
【申請日】2014年12月17日